脑成像技术的快速发展推动了人类对于脑科学与认知领域探索,同样地基于机器学习与数据挖掘等方法对于脑影像数据的分析具有重要的理论依据和应用价值。根据脑影像时间序列估计的功能连接(Functional Connectivity,简称FC)网络为分析健康、疾病和发育状态中的人脑功能结构提供了强有力的工具。过去大多数研究的FC模型估计是以整个扫描时间与空间的平稳性为假设条件。但是,实际的FC却表现出时间波动性,这意味着只分析在一个完整时间内的平稳性扫描可能过于简单,无法捕捉整个活动的全部过程。结合分析FC网络的动态性能需求,使用静息态脑影像数据,利用张量模型分析不同年龄人群的动态FC网络。主要研究内容为:(1)针对FC随时间出现波动性的问题,依据一种基于张量Tucker分解算法对动态FC网络进行分析。该方法主要是根据两步法来跟踪全脑的动态连接,具体是将张量分解的结果使用动态连接检测法进行时变网络的状态划分。最终基于张量方法捕获了FC网络的拓扑结构,从而提供了准确的变化点检测和状态汇总。(2)由于Tucker分解计算复杂度较高且不能快速地在多个维度融合分析,因此设计一种基于稀疏张量CP分解算法的动态FC分析。对于年轻组和儿童组人群,首先使用静息态数据根据张量每个维度的不同信息构建张量模型,并对该算法进行优化求解。然后分别利用滑动窗口法和动态连接检测法构建动态网络。最后在不同的模拟数据与真实数据上对这两种建网方式进行评估。结果表明两种建网方法都能捕获到FC的动态,且动态连接检测法克服了滑动窗口法对于窗口大小的限制。(3)针对特征多样本小的问题,对张量模型施加相应的惩罚约束项进行改进。首先基于SVM和SVR方法使用分解结果来实现年龄分类与预测的功能,并使用原始张量算法和其他分解算法与改进算法的性能进行评估,结果表明改进算法优于其他算法提高了模型性能。然后将改进张量分解算法与两种建网方法所构建静态和动态FC进行对比分析。最后将年轻组和儿童组不同状态的脑功能区域连接强度进行分析。实验结果表明,基于张量CP分解的动态连接检测算法对动态FC分析最准确,可以获得更多不同脑区连接信息。